CN113759714A - 一种超超临界火电机组的模糊聚类预测控制方法 - Google Patents
一种超超临界火电机组的模糊聚类预测控制方法 Download PDFInfo
- Publication number
- CN113759714A CN113759714A CN202110881774.XA CN202110881774A CN113759714A CN 113759714 A CN113759714 A CN 113759714A CN 202110881774 A CN202110881774 A CN 202110881774A CN 113759714 A CN113759714 A CN 113759714A
- Authority
- CN
- China
- Prior art keywords
- local
- ultra
- local area
- weight
- thermal power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种超超临界火电机组的模糊聚类预测控制方法。本方法的操作步骤为:步骤1、根据先行语言变量,即发电量,利用k均值聚类进行分区。并确定输出量、输入量;步骤2、计算每个局部区域的权重;步骤3、将权重进行归一化,并设计成调度程序;步骤4、对每个局部区域进行建模;步骤5、在局部模型的基础上,利用广义预测控制得到局部控制器;步骤6、用调度程序,对局部控制器进行调度,得到全局控制的目的。该方法具有响应速度快,超调量低的优点。相对于传统的广义预测控制和PID控制具有更好的性能。
Description
技术领域:
本发明涉及超超临界火电厂能效优化控制领域,尤其是涉及一种超超临界火电机组的模糊聚类预测控制方法,提高超超临界机组锅炉燃烧效率及最优燃烧场设定的控制。
背景技术:
近几十年来,超超临界发电技术发展迅速,以其燃烧效率高、污染排放低的特点,必将在未来占据主导地位。与传统电厂相比,超超临界或电厂通过提高工作介质(通常是锅炉中的水)的压力,以提高发电效率。分析表明,在超超临界范围内,工质达到超临界状态时,热效率高达46%,比目前亚临界燃煤电厂的效率高出近10%。此外,随着燃料转化和排放控制技术的改进,超临界发电厂的排放水平也降低了。因此,大力发展超超临界发电技术已成为提高经济效益、减少污染物排放的有效途径。然而,随着锅炉在高压下的长时间运行和机组规模的增大,由于非线性、耦合和负荷扰动等复杂特性,使得锅炉-汽轮机机组的控制变得更加困难。
目前,在燃烧过程、汽包水位、蒸汽温度系统中,比例积分微分(PID)控制器仍然是比较流行的控制器,众所周知,PID控制器由于其参数可以自动整定,可以解决许多轻度非线性问题。然而,如上所述,超超临界火电厂是一个多子系统相互影响的复杂系统,具有强非线性和耦合性。此外,由于工作点的运动范围很广,模型参数往往是不确定的。而且,很多不可预知的负荷扰动也存在,给超临界火电厂的控制带来了更多的困难。因此,超超临界机组控制器的设计仍然是一个很大的挑战。
广义预测控制(GPC)是一种基于模型的滚动优化控制策略,它可以根据历史信息和参考轨迹预测系统的未来行为。k均值聚类网络以距离为相似度指标,寻找k个不同的类,每个类的中心是类内所有值的平均值。模糊控制是一种集模糊集理论、模糊语言和模糊逻辑于一体的非线性智能控制方法。通过模糊控制,将整个非线性系统模糊化为局部线性系统,整个系统的控制器可表示为“如果X,那么Y”。
发明内容
本发明的目的就是为了克服现有技术存在的缺陷,提供了一种超超临界火电机组的模糊聚类预测控制方法,该方法具有响应速度快,超调量低的优点。相对于传统的广义预测控制和PID控制具有更好的性能。本发明提出了一种考虑模糊控制和k均值聚类的模糊k均值聚类网络(FKN)建模方法,对超超临界机组的非线性过程进行建模。通过有效的FKN建模,将整个运行区域合理划分为若干局部区域。然后以受控自回归滑动平均模型(CRIMA)的形式建立局部线性模型。由于FKN是一个由局部线性模型组成的线性加权网络,在FKN的基础上,通过模糊组合局部广义预测控制器,可将局部广义预测控制器推广到非线性情况。
为达到上述目的,本发明的构思是:
本发明方法针对超超临界机组强非线性、强耦合性、大滞后性的特点,结合k均值聚类和模糊理论的优点,建立CRIMA模型,通过k均值聚类对整个运行区域进行分区,然后利用递归最小二乘法(RLS)进行局部线性建模。当模型建立以后,应用广义预测控制对每个局部区域设计局部控制器,再根据发电量的变化,通过模糊理论将每个局部控制器实时的组合在一起,以达到全局控制的目的。
k均值聚类是一个将在某些方面相似的数据成员进行分类组织的过程,本方法应用k均值聚类将整个运行区域划分成若干个局部区域,保证了划分的合理性,同时使这些区域覆盖了所有运行点。
递归最小二乘法是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具,通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以快速有效的得到每个局部区域的线性模型。
广义预测控制技术采用传统的参数模型(如CARIMA模型),参数的数目较少,对于过程参数慢时变的系统,易于在线估计参数。由于引入了不相等的预测水平和控制水平,具有预测模型、滚动优化和反馈校正三个基本特征,呈现了优良的控制性能,被认为是具有代表性的预测控制算法之一,受到学术和工程界的广泛关注。
在本研究中利用广义预测控制技术,在k均值聚类、最小二乘法的基础上,迅速准确的得到了局部控制器。然后利用了模糊推理,将每个区域控制器合理的、实时的组合在一起,达到了对整个运行区域进行有效控制的目的。
根据上述构思,本发明采用如下的技术方案:
一种超超临界火电机组的模糊聚类预测控制方法,用于提高锅炉燃烧效率及最优燃烧场的设定。所述的方法包括以下操作步骤:
步骤1、根据先行语言变量,即发电量,利用k均值聚类进行分区。并确定输出量、输入量。
步骤2、计算每个局部区域的权重。
步骤3、将权重进行归一化,并设计成调度程序。
步骤4、对每个局部区域进行建模。
步骤5、在局部模型的基础上,利用广义预测控制得到局部控制器。
步骤6、利用调度程序,对局部控制器进行调度,得到全局控制的目的。
优选地,所述步骤1具体包括以下步骤:
步骤1.1、考虑到超超临界火电厂的实际情况,选择发电量作为语言变量。并根据实际情况选择发电量、主蒸汽压力和分离器温度为输出量,给煤量、给水量和汽轮机阀门开度为控制量。
步骤1.2、利用k均值聚类的方法,以距离作为相似性条件,将整个运行区域划分为若干局部区域。这些区域被定义为1)“非常低”;2)“低”;3)“中等低”;4)“中等”;5)“中等高”;6)“高”;7)“非常高”。
优选地,所述步骤2具体为:
每个局部区域的隶属度由三角形函数定义。如果语言变量属于一个局部区域,这意味着只有一个局部区域被激活,其他局部区域的权重值为0。如果语言变量属于两个相邻的局部区域。假设这两个区域的中心点是point1和point2,权重值是q1和q2。那么
很容易看出,q1+q2=1,这确保了基函数形成了一个统一的分区。
优选地,所述步骤3具体包括以下步骤:
步骤3.1、每个局部区域的权重进行归一化,归一化方式为:
步骤3.2、归一化后的权重可以组合成一个调度程序,根据语言变量,调度程序随时变化。当给定语言变量时,向量中最多有两个非零值,这意味着最多可以激活两个区域。调度程序为:
[α1,α2,α3,…,αn]
其中αi是归一化后的区域i的权重;
优选地,所述步骤4具体包括以下步骤:
步骤4.1、采用多变量递归最小二乘法实现局部参数学习,通过最小化误差的平方和,得到每个局部区域ARIMA模型的参数,每个局部区域的模型可以表示为:
A(z-1)Y(k)=B(z-1)U(k)+E(z-1)
步骤4.2、每个局部区域也表示为以下模糊规则:
如果:发电量为i3,那么:有第i3个条件对应的局部区域:
优选地,所述步骤5具体包括以下步骤:
步骤5.1、需要在每个局部区域模型的基础上,利用广义预测控制得到局部控制器。具体的是,将每个局部ARIMA模型看作是预测模型,这样的模型可以表示过去已知数据信息对当前时刻的输出的影响。
步骤5.2、根据使控制输出和参考输出误差最小的指标,来确定未来的控制作用。优化标准不是采用一成不变的全局最优化目标,而是采用滚动式的有限时域优化策略。在每一个采样时刻,优化性能指标只涉及未来有限的时域,而到下一采样时刻,这一优化时域同时向前推移,即滚动优化。
步骤5.3、预测控制算法在进行滚动优化时,优化的基点应与系统实际一致。但作为基础的预测模型,只是对象动态特性的粗略描述,可能与实时状态不是符合。所以每次可只实施当前时刻的控制作用,到下一采样时刻,首先检测对象的实际输出,并利用这一实时信息对预测进行修正。
优选地,所述步骤6具体为:
当每个局部区域的控制器得到以后,可以根据以下方式来得到整个区域的控制器Y(t):
与现有技术相比,本发明具有以下显而易见的突出实质性特点和显著的优点:
1、建立了一个模糊k均值聚类网络,有效地模拟了超超临界电站的非线性动态过程。与其他方法相比,由于在建模过程中充分考虑了数据的分布特性,所提出的模型更适合于描述实际的超超临界电站;
2、基于所构造的模糊k均值聚类网络模型,设计了一种改进的广义预测控制器。与传统的广义预测控制器不同,本发明提出了一种调度方案,将局部广义预测控制器模糊地结合在一起,以达到全局广义预测控制器的目的,并利用现有模糊k均值聚类网络的隶属度来提高控制效率。
附图说明
图1为本发明的流程图。
图2为本发明的输出量对比图。
图3位本发明的控制量对比图。
具体实施方式
下面就本发明优选实施例结合附图,对本发明技术方案进行清楚、完整的描述。
实施例一:
参见图1,一种超超临界火电机组的模糊聚类预测控制方法,用于超超临界火电厂的能效优化中,其特征在于操作步骤如下:
步骤1、根据先行语言变量,即发电量,利用k均值聚类进行分区;并确定输出量、输入量;
步骤2、计算每个局部区域的权重;
步骤3、将权重进行归一化,并设计成调度程序;
步骤4、对每个局部区域进行建模;
步骤5、在局部模型的基础上,利用广义预测控制得到局部控制器;
步骤6、利用调度程序,对局部控制器进行调度,进行全局控制。
本实施例超超临界火电机组的模糊聚类预测控制方法,该方法具有响应速度快,超调量低的优点。相对于传统的广义预测控制和PID控制具有更好的性能。
实施例二:
如图1,一种超超临界火电机组的模糊聚类预测控制方法,通过k均值聚类对整个运行区域进行分区,然后利用递归最小二乘法进行局部线性建模。当模型建立以后,应用广义预测控制对每个局部区域设计局部控制器,再根据发电量的变化,通过模糊理论将每个局部控制器实时的组合在一起,以达到全局控制的目的。
步骤1、基于已有数据,利用k均值聚类进行分区。并确定输出量、输入量。
步骤1.1、考虑到超超临界火电厂的实际情况,选择发电量作为语言变量。并根据实际情况选择发电量、主蒸汽压力和分离器温度为输出量,给煤量、给水量和汽轮机阀门开度为控制量。
步骤1.2、利用k均值聚类的方法,以距离作为相似性条件,将整个运行区域划分为若干局部区域。这些区域被定义为1)“非常低”;2)“低”;3)“中等低”;4)“中等”;5)“中等高”;6)“高”;7)“非常高”。
步骤2、计算每个局部区域的权重。
所述步骤2具体为:
每个局部区域的隶属度由三角形函数定义。如果语言变量属于一个局部区域。这意味着只有一个局部区域被激活,其他局部区域的权重值为0。如果语言变量属于两个相邻的局部区域。假设这两个区域的中心点是point1和point2,权重值是q1和q2。那么
很容易看出,q1+q2=1,这确保了基函数形成了一个统一的分区。
步骤3、将局部权重进行归一化,并设计调度程序。
所述步骤3具体包括以下步骤:
步骤3.1、每个局部区域的权重进行归一化,归一化方式为:
步骤3.2、归一化后的权重可以组合成一个调度程序,根据语言变量,调度程序随时变化。当给定语言变量时,向量中最多有两个非零值,这意味着最多可以激活两个区域。调度程序为:
[α1,α2,α3,...,αn]
其中αi是归一化后的区域i的权重。
步骤4、在每个局部区域进行建模。
所述步骤4具体包括以下步骤:
步骤4.1、采用多变量递归最小二乘法实现局部参数学习,通过最小化误差的平方和,得到每个局部区域ARIMA模型的参数,每个局部区域的模型可以表示为:
A(z-1)Y(k)=B(z-1)U(k)+E(z-1)
步骤4.2、每个局部区域也表示为以下模糊规则:
如果:发电量为i3,那么:有第i3个条件对应的局部区域:
步骤5、基于局部模型建立局部控制器。
上述步骤5具体包括以下步骤:
步骤5.1、需要在每个局部区域模型的基础上,利用广义预测控制得到局部控制器。具体的是,将每个局部ARIMA模型看作是预测模型,这样的模型可以表示过去已知数据信息对当前时刻的输出的影响。
步骤5.2、根据使控制输出和参考输出误差最小的指标,来确定未来的控制作用。优化标准不是采用一成不变的全局最优化目标,而是采用滚动式的有限时域优化策略。在每一个采样时刻,优化性能指标只涉及未来有限的时域,而到下一采样时刻,这一优化时域同时向前推移,即滚动优化。
步骤5.3、预测控制算法在进行滚动优化时,优化的基点应与系统实际一致。但作为基础的预测模型,只是对象动态特性的粗略描述,可能与实时状态不是符合。所以每次可只实施当前时刻的控制作用,到下一采样时刻,首先检测对象的实际输出,并利用这一实时信息对预测进行修正。
步骤6、设计整个系统的控制器。
所述步骤6具体为:
当每个局部区域的控制器得到以后,可以根据以下方式来得到整个区域的控制器Y(t):
至此,从步骤1到步骤6完成了整个超超临界发电厂的控制器,可根据期望输出调整控制量,使整个系统朝希望输出发展。图2、图3显示了此方法和传统广义预测控制、PID的对比,可以看出本方法性能远远优于其他两种方法。
上述实施例超超临界火电机组的模糊聚类预测控制方法的操作步骤为:
步骤1、根据先行语言变量,即发电量,利用k均值聚类进行分区。并确定输出量、输入量;
步骤2、计算每个局部区域的权重;
步骤3、将权重进行归一化,并设计成调度程序;
步骤4、对每个局部区域进行建模;
步骤5、在局部模型的基础上,利用广义预测控制得到局部控制器;
步骤6、用调度程序,对局部控制器进行调度,得到全局控制的目的。上述实施例方法考虑模糊控制和k均值聚类的模糊k均值聚类网络(FKN)建模方法,对超超临界机组的非线性过程进行建模。通过有效的FKN建模,将整个运行区域合理划分为若干局部区域。然后以CRIMA的形式建立局部线性模型。由于FKN是一个由局部线性模型组成的线性加权网络,在FKN的基础上,通过模糊组合局部广义预测控制器,可将局部广义预测控制器推广到非线性情况。上述实施例方法具有响应速度快,超调量低的优点。相对于传统的广义预测控制和PID控制具有更好的性能。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种超超临界火电机组的模糊聚类预测控制方法,用于超超临界火电厂进行能效优化,其特征在于,操作步骤如下:
步骤1、根据先行语言变量,即发电量,利用k均值聚类进行分区;并确定输出量、输入量;
步骤2、计算每个局部区域的权重;
步骤3、将权重进行归一化,并设计成调度程序;
步骤4、对每个局部区域进行建模;
步骤5、在局部模型的基础上,利用广义预测控制得到局部控制器;
步骤6、利用调度程序,对局部控制器进行调度,进行全局控制。
2.根据权利要求1所述的超超临界火电机组的模糊聚类预测控制方法,其特征在于,所述步骤1包括以下步骤:
步骤1.1、考虑到超超临界火电厂的实际情况,选择发电量作为语言变量;并根据实际情况选择发电量、主蒸汽压力和分离器温度为输出量,给煤量、给水量和汽轮机阀门开度为控制量;
步骤1.2、利用k均值聚类的方法,以距离作为相似性条件,将整个运行区域划分为若干局部区域;这些区域被定义为:1)“非常低”;2)“低”;3)“中等低”;4)“中等”;5)“中等高”;6)“高”;7)“非常高”。
5.根据权利要求1所述的超超临界火电机组的模糊聚类预测控制方法,其特征在于,所述步骤4包括以下具体步骤:
步骤4.1、采用多变量递归最小二乘法实现局部参数学习,通过最小化误差的平方和,得到每个局部区域ARIMA模型的参数,每个局部区域的模型表示为:
A(z-1)Y(k)=B(z-1)U(k)+E(z-1)
步骤4.2、每个局部区域也表示为以下模糊规则:
如果:发电量为i3,那么:有第i3个条件对应的局部区域:
6.根据权利要求1所述的超超临界火电机组的模糊聚类预测控制方法,其特征在于,所述步骤5包括以下具体步骤:
步骤5.1、需要在每个局部区域模型的基础上,利用广义预测控制得到局部控制器;具体的是,将每个局部ARIMA模型看作是预测模型,表示过去已知数据信息对当前时刻的输出的影响;
步骤5.2、根据使控制输出和参考输出误差最小的指标,来确定未来的控制作用;优化标准不是采用一成不变的全局最优化目标,而是采用滚动式的有限时域优化策略;在每一个采样时刻,优化性能指标只涉及未来有限的时域,而到下一采样时刻,这一优化时域同时向前推移,即滚动优化;
步骤5.3、预测控制算法在进行滚动优化时,优化的基点应与系统实际一致;但作为基础的预测模型,只是对象动态特性的粗略描述,可能与实时状态不是符合;所以每次可只实施当前时刻的控制作用,到下一采样时刻,首先检测对象的实际输出,并利用这一实时信息对预测进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881774.XA CN113759714A (zh) | 2021-08-02 | 2021-08-02 | 一种超超临界火电机组的模糊聚类预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881774.XA CN113759714A (zh) | 2021-08-02 | 2021-08-02 | 一种超超临界火电机组的模糊聚类预测控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113759714A true CN113759714A (zh) | 2021-12-07 |
Family
ID=78788388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110881774.XA Pending CN113759714A (zh) | 2021-08-02 | 2021-08-02 | 一种超超临界火电机组的模糊聚类预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113759714A (zh) |
-
2021
- 2021-08-02 CN CN202110881774.XA patent/CN113759714A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moon et al. | A boiler-turbine system control using a fuzzy auto-regressive moving average (FARMA) model | |
Kong et al. | Nonlinear multivariable hierarchical model predictive control for boiler-turbine system | |
Lee et al. | Controller design for a large-scale ultrasupercritical once-through boiler power plant | |
CN107203687B (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
CN105631528B (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
CN108167802B (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
CN108490790A (zh) | 一种基于多目标优化的过热汽温自抗扰串级控制方法 | |
Hou et al. | Novel fuzzy modeling and energy-saving predictive control of coordinated control system in 1000 MW ultra-supercritical unit | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN114217524A (zh) | 一种基于深度强化学习的电网实时自适应决策方法 | |
CN112052570A (zh) | 一种基于灰狼算法的火电厂湿冷机组经济背压寻优方法 | |
Zhu et al. | Nonlinear model predictive control of USC boiler-turbine power units in flexible operations via input convex neural network | |
Sindareh-Esfahani et al. | Model predictive control of a heat recovery steam generator during cold start-up operation using piecewise linear models | |
CN117031950A (zh) | 深度调峰火电机组控制系统建模的方法及装置 | |
CN113964884A (zh) | 基于深度强化学习的电网有功频率的调控方法 | |
Menhas et al. | Real/binary co-operative and co-evolving swarms based multivariable PID controller design of ball mill pulverizing system | |
CN114909706B (zh) | 一种基于强化学习算法和压差控制的二级网平衡调控方法 | |
CN113759714A (zh) | 一种超超临界火电机组的模糊聚类预测控制方法 | |
CN113836819B (zh) | 一种基于时序关注的床温预测方法 | |
CN116388225A (zh) | 一种飞轮储能辅助火电二次调频的负荷分配方法及系统 | |
KR20200118685A (ko) | 보일러 연소 모델 도출 장치 및 방법 | |
Ghezelayagh et al. | Intelligent predictive control of a power plant with evolutionary programming optimizer and neuro-fuzzy identifier | |
CN110970936B (zh) | 一种深度调峰机组一次调频性能计算方法 | |
Hošovský et al. | Hybridized GA-optimization of neural dynamic model for nonlinear process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |